减少计算量的 4 种手段 × 近期 AI 制药 / 癌症制药突破

整理日期：2026-10-31 承接文档：ETH 假设证伪对制药计算的影响 第三节末"对比：真正在降算力的东西"表 检索方式：全部通过 /anysearch skill（batch_search / extract）完成 标注约定：[事实] = 来源中可直接核实；[推断] = 我基于公开信息做的关联判断；[口径] = 厂商/媒体口径，非同行评议结论

目录

1. 问题定义与结论速览
2. 手段一：化学空间剪枝 / 超大规模虚拟筛选
3. 手段二：ML 势 / 加速 MD 与自由能计算
4. 手段三：扩散采样步数 / 快速推理
5. 手段四：MSA 复用 / 片段库预计算
6. 近期突破清单 × 其依赖的省算力手段
7. 对原文档结论的修正与加强
8. 值得继续研究 / 投资的具体问题
9. 来源清单

一、问题定义与结论速览

原文档第三节给出的"真正在降算力"的 4 类手段是：

本轮调研要回答：这 4 种手段中，哪些在最近的 AI 制药 / 癌症制药突破里被实际用上并被证明仍有继续研究价值？

结论速览

一句话：A 与 C 是当前 AI 制药突破的实际承重墙，B 是可靠的第二引擎，D 正在退场。

二、手段 A：化学空间剪枝 / 超大规模虚拟筛选

2.1 关键证据：单日 3250 亿分子 → 首创类 BRD4 抑制剂 [事实]

[事实] Model Medicines（GALILEO 平台，Google Cloud）2025 年底完成单日 3250 亿分子规模的虚拟筛选，产出 MDL-4102——一个首创类（first-in-class）BRD4 抑制剂，用于肿瘤，且对同家族 BRD2/BRD3 无可测活性；ECFP4-Tanimoto 与所有既往临床 BET 抑制剂结构相异。

[事实] 其算力策略正是"剪枝"的极致形态：

• "train on GPUs, infer on CPUs"：训练在 GPU，推理跑在 Google Kubernetes Engine 的 AMD EPYC CPU 集群上，以避免 GPU 成本瓶颈；
• 流程不是"逐个对接 3250 亿分子"，而是 ML 模型瞬时打分 → ADMET/专利/化学可合成性过滤 → 只对高分候选做昂贵对接；
• 综述口径：2026 年 Drug Discovery Today 的 ULVS 综述称"结构基对接仍是前瞻性 ULVS 里最被验证的方法"，但纯对接算力密集，因此普遍用轻量模型预筛（deep docking）+ 图神经网络排序 + 生成式模型扩库 + 对接验证的多级流水线。[事实（综述口径）]

与 V-SYNTHES 的关系：V-SYNTHES（Nature 2022）的核心是"用模型先剪掉绝大多数不可能结合的分子，再做物理对接"（11B 空间，需求降 5000×）。GALILEO 把同一范式推到 10¹¹×10² 量级。2026 年的新证据说明：2022 年这套剪枝思路不但没过时，反而成了肿瘤新药的直接产出口。

2.2 关键证据：Isomorphic Labs 把"剪枝"做成核心叙事 [事实]

[事实] Isomorphic Labs 2026-09-29 官方文章《Building a new path to make medicines with AI》把方法论讲得非常直白：

• 传统实验筛选只能评估 10⁵–10⁹ 个固定化合物，耗时数月到数年；而化学空间约 10⁶⁰；
• "我们的药物设计引擎能在计算机上用几天时间智能搜索化学空间"；
• 引擎名为 IsoDDE，除结构预测外还包含结合、分子性质、毒性的预测能力，并把流程重组成"AI 驱动的设计智能体"端到端平台；
• 该文同时明确：这是"垂直整合"——自建数据、模型、软件、实体基础设施（Isomorphic Labs 另有 2026 年 21 亿美元融资、与 Eli Lilly/NVIDIA 10 亿美元合作的传闻报道）。

[事实] 另有报道称 Isomorphic Labs 已就 AI 设计的癌症药物启动人体试验（chemdiv 报道，2026）。

2.3 关键证据：Insilico（生成 + 剪枝双轮） [事实]

• rentosertib（ISM001-055，TNIK 靶点，IPF）：靶点与分子结构全部由生成式 AI 得出，无人工假设；Phase IIa 双盲安慰剂对照（71 例，21 家中国中心）顶线阳性，最高剂量组 FVC 改善 3.05% vs 安慰剂 -1.84%；结果发表在 Nature Medicine；2026 年推进注册性 Phase III，HBS 已发表案例研究。[事实]
• CTX-439（CDK12/13 双靶点口服抑制剂）：bioRxiv 2026-02-20 预印本，抑制 RNA Pol II 的 Ser2 磷酸化，在乳腺癌 PDX 模型中抑瘤，并揭示与 BCL-2/BCL-xL 联用的组合策略（CRISPR 激活筛选找 resistance 基因）。[事实]
• AACR 2026：Insilico 发布 4 篇 AI 驱动的肿瘤药物发现摘要。[事实]

2.4 判断

• [推断] A 是四个手段里唯一直接对应"新药分子本身"的——A 产出的分子已经进入 Phase III 与肿瘤 PDX 阶段，验证强度最高。
• [推断] 技术趋势已经从"V-SYNTHES 式先剪后接"演化为 生成式扩库 → ML 排序 → 物理验证 → 多智能体迭代 的四段式；纯"穷举式超大规模筛选"的边际收益在下降，但**"剪枝"的抽象**（用便宜的模型决定哪些值得用昂贵的物理算）反而在被更多复用。
• 风险点 [事实]：ULVS 综述明确列出三大挑战——打分精度、算力成本、数据偏差；且纯 docking 前瞻性验证仍有限。

三、手段 B：ML 势 / 加速 MD 与自由能计算

3.1 关键证据：癌症药 zovegalisib 的整条路线建立在 MD 上 [事实]

[事实] Relay Therapeutics 的 zovegalisib（RLY-2608） 是首个突变体选择性变构 PI3Kα 抑制剂，用于 HR+/HER2 乳腺癌；其平台定位为 motion-based drug design——用蛋白动力学的计算模拟来识别传统结构基方法找不到的变构位点。临床数据：二线联合 fulvestrant 11 个月中位 PFS，ORR 39%，已启动 Phase III ReDiscover-2（对照 AZ 的 capivasertib）。

[事实] Relay 还在公开发表 MD 方法学工作：MDPath（J. Chem. Inf. Model.，"通过 MD 模拟解开药物靶点的变构通信路径"），并公开其 MD 模拟数据集（zenodo，含拓扑与轨迹文件）。

[推断] 这直接证明原文档的判断："真正吞算力的是 MD 长程采样"。癌症药领域最成功的 AI 辅助药物之一，其差异化机制（变构位点）本质上只能用动力学采样得到，静态结构给不了。所以任何能降低 MD 成本 / 提高采样效率的技术，在这个方向上有明确的可付费研究价值。

3.2 关键证据：自由能计算的成本正在被三路技术同时压缩 [事实]

3.3 关键证据：结构预测模型直接吃掉 FEP 份额 [事实]

Boltz-2（MIT Jameel Clinic + Recursion + NVIDIA，2025-06）把结构 + 结合亲和力 + FEP 预测塞进一个开源模型，宣称在"速度、规模、精度"上建立新标准 [事实]；其推理期 FEP 与 MD-FEP 的系统比较被广泛跟踪（如 Rowan 的 Boltz-2 benchmark 追踪页）[事实]。

3.4 判断

• [推断] B 的研究价值最"硬"但最不性感：它不产生新范式，而是让"以前算不起的采样量"变得可承受。对 Relay 式的变构药物发现、对先导优化阶段的自由能排序，B 几乎直接决定了项目成本结构。
• [推断] 值得注意的收敛趋势：B 的终点可能就是 C——用扩散/生成模型直接预测亲和力与自由能，取代显式 MD 采样（所以 Boltz-2 同时属于 B 和 C）。如果这条路线继续走，B 的"物理精度优势"会被侵蚀，研究价值会向"混合方法"（ML 势 + 少量高精度 QM 修正）迁移。

四、手段 C：扩散采样步数 / 快速推理

4.1 关键证据（最强）：Biohub ESMFold2 —— 癌症/免疫靶点 binder，数天完成计算搜索 [事实]

[事实] Biohub 2026-05-27 发布 ESMC / ESMFold2 / ESM Atlas 三件套（开放）：

• ESMC：跨全生命域约 28 亿条序列训练的语言模型；
• ESMFold2：把序列表征转成原子级复合物结构，结构预测速度与精度均为 SOTA；在 DockQ 基准（抗体-抗原、蛋白-蛋白）上与 AlphaFold 3、Protenix-v1 对比；
• 关键结论：研究者用 ESMFold2 针对 5 个癌症与免疫学核心靶点设计蛋白 binder，计算搜索在数天内完成（原文对比："而非数月或数年"），实验验证的 binder 具备高亲和力、高特异性、高稳定性，且与公开数据库序列相似度极低——说明是de novo 新解而非检索；
• ESM Atlas：覆盖 68 亿条序列 + 11 亿个预测结构（号称迄今 AI 应用于蛋白生物学的最大规模），让未被注释的生物学变得可检索。

这条直接落在手段 C 上："数天 vs 数月/数年"的量级差异，本质是采样步数 × 种子数 × 结构预测单次成本三项的乘积被削减；同时 ESM Atlas（11 亿预计算结构）也正是"片段库预计算"思路的极端放大版——注意它属于手段 D 的精神延续，但技术基础已不是 MSA/片段。

4.2 关键证据：binder 设计工具链的扩散化 [事实]

• BoltzGen（2025-11，biorxiv / PMC12697729）：面向通用 binder 设计的扩散模型，Rowan 提供完整使用文档；[事实]
• RFdiffusion3（DiMaio et al.）：全原子分子相互作用从头设计 [事实]；
• Protenix-v1（2026-02，biorxiv）：开源高精度蛋白结构/复合物预测 [事实]；HelixFold3 技术报告 [事实]；
• Boltz-2：结构 + 亲和力 + FEP [事实]；
• 采样加速的通用方法学侧：Straight-Line Diffusion（arXiv 2503.02918，高效 3D 分子生成）、DualFast（arXiv 2506.13058，双重加速的扩散采样框架）、LiteMol / LiteFold（微软，分子设计模型）、以及"RL + 快速采样的分子生成微调"（arXiv 2606.01220）[事实]。

4.3 关键证据：结构预测成本下降正在支撑"万倍级"下游流量 [事实]

• [事实] 2026 年 1 月 Eli Lilly 与 NVIDIA 宣布 10 亿美元联合投资，用于 AI 驱动的药物开发。
• [事实] 行业综述与报道口径：截至 2026 年初，至少 173 个 AI 发现的候选项目处于临床开发阶段，其中肿瘤领域有 126 项活跃临床研究（Axis Intelligence 数据，经 megaoneai 引用）[口径，聚合站引用]。
• [事实] NVIDIA 在其开发者博客中给出"proteome-scale"的蛋白结构预测加速方案 [事实]，结构预测从"研究工具"变为"基础设施"。

4.4 判断

• [推断] C 的研究价值在四个手段中最确定、且与 AI 制药最直接耦合：因为药物设计的核心动作就是"对大量候选结构/分子做扩散采样并挑最好的"。每一次步数/种子/一致性蒸馏的改进都直接等价于"能多筛 10 倍候选"。
• [推断] 风险：采样效率提升正在被"候选数膨胀"吃掉（3240 亿分子/天那种量级）。真实算力账单未必下降，只是把同样的算力摊到了更多的化学空间上——这与原文档"P=NP 会催生新负载"的判断同构。

五、手段 D：MSA 复用 / 片段库预计算

5.1 事实链：MSA 正在被系统性绕过 [事实]

5.2 判断

• [推断] MSA 复用与片段库预计算在 2026 年的制药语境下，已基本失去"研究前沿"属性，只剩"工程/基建"属性：
  • MSA 复用：一次性缓存 / 增量维护问题（重复序列、服务器抖动、污染、版本一致性），属于 ops 而不是方法学创新；且下一代结构模型（ESM 系、AF3 系）根本不用它；
  • 片段库预计算：随 de novo 设计扩散模型取代经典 Rosetta 式片段组装而边缘化。
• [推断] 唯一仍有实质价值的场景：AF2 家族管线在孤儿/罕见靶点（MSA 极浅）上的稳定性，以及蛋白-蛋白界面/抗体工程中的 MSA 缓存复用（Boltz 等工具链仍依赖）。若目标是"押注未来 2–3 年的研究价值"，D 应当被降级为成本项（ops 优化）而非研究项。
• [事实/提示] 反过来看，D 的精神（"预计算可复用的公共资产"）在 2026 年以更大规模复活了——ESM Atlas 的 11 亿预计算结构库就是"片段库"思想的万亿倍版本；这说明**"预计算"这个想法有研究价值，"MSA/片段"这个具体实现没有**。

六、近期突破清单 × 其依赖的省算力手段

七、对原文档结论的修正与加强

八、值得继续研究 / 投资的具体问题

按"证据强度 × 与近期突破的耦合度"排序：

1. 多级筛选流水线（生成 → 轻量模型排序 → 物理验证）的精度-成本前沿
   • 已验证能产出首创类分子（MDL-4102），但综述明确指出打分精度是瓶颈；"剪枝剪错了怎么办"的可量化理论尚不成熟。
2. 预训练亲和力/自由能模型对显式 MD/FEP 的替代边界
   • Boltz-2 类模型正在切 FEP 的盘子；需要给出"什么时候可以不用模拟"的可靠判据，这是当前最缺、也最值钱的问题。
3. ML 势 + 增强采样的混合方法（Dual-LAO 式的 ABF-OPES/PMF 家族）
   • 15–30× 已经是"省出整轮 FEP campaign"的量级；方向是把它与 ML 势、QM 修正耦合。
4. 采样效率 → 候选数膨胀的闭环账
   • 采样便宜了，候选数会涨；真实算力账单可能不降反升。需要能区分"算力下降"与"算力被重新分配"的度量方法。
5. 癌症特异的算力热点地图
   • 变构位点发现（Relay 式）需要长时间尺度、大体系、多构象集合的采样，是 4 类手段中成本最刚性的一块，也是最缺算法的一块。
6. （不建议作为主攻）MSA/片段库方向的方法学创新——除非瞄准"MSA 极浅的孤儿靶点"或"MSA 缓存一致性"这类 ops 问题。

九、来源清单

手段 A（化学空间剪枝 / 超大规模筛选）

1. IntuitionLabs《AI Drug Discovery: Ultra-Large Virtual Screening for BRD4》（2026-05-01）— Model Medicines GALILEO、3250 亿分子/天、MDL-4102、"train on GPUs, infer on CPUs"、deep docking 综述口径 — intuitionlabs.ai/articles/ai-ultra-large-virtual-screening-brd4
2. Model Medicines 新闻稿（经 1 转引）— modelmedicines.com/newsroom/record-scale-ai-screening-with-model-medicines-on-google-cloud-galileo-achieves-325-billion-molecule-throughput-for-oncology-drug-discovery
3. ULVS 综述（Drug Discovery Today, 2026）— sciencedirect.com/science/article/pii/S1359644626000218
4. Isomorphic Labs《Building a new path to make medicines with AI》（2026-09-29）— 10⁶⁰ 化学空间、10⁵–10⁹ 实验筛选、"数天智能搜索"、IsoDDE、垂直整合 — isomorphiclabs.com/articles/building-a-new-path-to-make-medicines-with-ai
5. Particle《Isomorphic Labs Raises $2.1 Billion to Scale AI Drug Design》— particle.news/story/isomorphic-labs-raises-21-billion-to-scale-ai-drug-design
6. Chemdiv《Isomorphic Labs Launches Human Trials for AI-Designed Cancer Drugs》（2026）
7. MegaOne AI《AI Drug Discovery Trials 2026: First Results From Insilico, Relay, Recursion》（2026）— 173 个临床项目/肿瘤 126 项；rentoſertib Phase IIa 数据；Relay zovegalisib；Recursion REC-617；Lilly×NVIDIA 10 亿美元 — megaoneai.com/blog/ai-drug-discovery-trials-2026-first-results/
8. Insilico Medicine / Nature Medicine：rentoſertib Phase IIa（IPF）— nature.com/articles/s41591-025-03743-2；Insilico 官网 insilico.com/news/tnik-ipf-phase2a
9. Insilico CTX-439（CDK12/13 抑制剂，乳腺癌 PDX）bioRxiv 2026-02-20 — doi.org/10.64898/2026.02.20.706902
10. ScienMag《Insilico Medicine Unveils Innovative CDK12/13 Dual Inhibitors…》— scienmag.com/insilico-medicine-unveils-innovative-cdk12-13-dual-inhibitors-for-tumor-therapy-with-the-help-of-generative-ai/
11. GeneOnline《Insilico Medicine Showcases Four AI-Driven Oncology Drug Discovery Abstracts at AACR 2026》（2026-04-01）
12. V-SYNTHES（Sadybekov et al., Nature 601:452, 2022）— 原始手段 A 出处

手段 B（ML 势 / MD / 自由能）

13. Qubit Pharmaceuticals《Going 15–30× Faster in Relative Binding Free Energy Calculations》（2026-01-28）— Dual-LAO — blog.qubit-pharmaceuticals.com/blog/going-15-30-faster-in-relative-binding-free-energy-calculations
14. Relay Therapeutics：zovegalisib / ReDiscover-2 / Dynamo 平台 — relaytx.com/pipeline/、relaytx.com/dynamo-platform/
15. MDPath（J. Chem. Inf. Model.）— doi.org/10.1021/acs.jcim.5c01590；公开数据集 zenodo doi.org/10.5281/zenodo.15637794
16. chemrxiv《Machine-learning force-field scoring rivals free-energy calculations》— chemrxiv.org/doi/10.26434/chemrxiv.15008810
17. chemrxiv《AIQM-PBSA: Integrating Machine Learning Interatomic Potentials…》（2026）— chemrxiv.org/doi/10.26434/chemrxiv-2026-h0kn1
18. JCIM 2025《Integrating Machine Learning into Free Energy Perturbation》— doi.org/10.1021/acs.jcim.5c01449
19. KU《Machine Learning-Enhanced Calculation of Quantum-Classical Binding Free Energies》
20. AceFF（arXiv 2601.00581）；Bifold：Biomolecular dynamics with machine-learned QM force fields trained on diverse chemical fragments
21. Synopsys 博客《Machine-Learned Force Fields Enable 10,000× Faster Simulations》[口径，厂商]
22. Schrödinger《Accurate hydration free energy calculations … with a machine learning force field》（active learning）；OPLS5 发布说明
23. Qubit × Sorbonne 量子加速声明（2025-12）— quantumcomputingreport.com（用于说明"计算降本"叙事的多元化）

手段 C（扩散采样 / 快速推理）

24. Biohub《Biohub releases a world model of protein biology》（2026-05-27）— ESMC / ESMFold2 / ESM Atlas；5 个癌症与免疫靶点 binder、"数天 vs 数月或数年"、28 亿序列、68 亿序列 + 11 亿结构、DockQ 对比 AF3 与 Protenix-v1 — biohub.org/news/world-model-of-protein-biology/
25. ESMFold2 预印本（2026-06）— biorxiv.org/content/10.64898/2026.06.03.729735v1
26. BoltzGen（HannesStark/boltzgen；PMC12697729）— biorxiv.org/content/10.1101/2025.11.20.689494v2
27. Boltz-2（MIT Jameel Clinic + Recursion + NVIDIA）— biorxiv.org/content/10.1101/2025.06.14.659707v1；jclinic.mit.edu/boltz-2-towards-accurate-and-efficient-binding-affinity-prediction/
28. Protenix-v1（bioRxiv 2026-02）— biorxiv.org/content/10.64898/2026.02.05.703733v1；github.com/bytedance/Protenix
29. HelixFold3 技术报告 — arxiv.org/abs/2408.16975v3
30. RFdiffusion3（DiMaio et al., 全原子从头设计）；RFdiffusion2 / Nature 2023 — nature.com/articles/s41586-023-06415-8
31. 采样加速方法学：Straight-Line Diffusion（arXiv 2503.02918）、DualFast（arXiv 2506.13058）、RL+快速采样分子生成微调（arXiv 2606.01220）、LiteMol/LiteFold
32. NVIDIA 开发者博客《How to Accelerate Protein Structure Prediction at Proteome-Scale》
33. Axis Intelligence AI Drug Discovery 2026 分析（173 个临床项目）— axis-intelligence.com/ai-drug-discovery-2026-complete-analysis/
34. 监管侧：FDA AI 药物开发指南（终稿预期 2026 Q2）、FDA/EMA 十条 AI 药物开发原则（2026）— ema.europa.eu

手段 D（MSA / 片段库）

35. AlphaFold 3 技术报告（复合物预测不依赖 MSA/模板）
36. ColabFold（Nat. Methods 2022）— nature.com/articles/s41592-022-01488-1；github.com/sokrypton/colabfold
37. Rowan《Co-Folding Failures, Our Response, and Rowan-Hosted…》（MSA failures）— rowansci.com/blog/msa-failures-and-our-response
38. FRAGSION（Bioinformatics，IOHMM 片段库生成）— doi.org/10.1093/bioinformatics/btw067
39. MSAGPT（MSA 生成式预训练，few-shot TM-score +8.5%）— NeurIPS 2024
40. Baker Lab《The past, present and future of de novo protein design》（Nature 2026）— bakerlab.org/wp-content/uploads/2026/05/s41586-026-10328-7.pdf

附：本次 /anysearch 调用记录（可复现）

cd .agents/skills/anysearch

python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"V-SYNTHES virtual screening 5000x compute reduction Nature 2022 chemical space pruning drug discovery","max_results":6},
  {"query":"machine learning interatomic potential NequIP ANI molecular dynamics speedup drug discovery 2026","max_results":6},
  {"query":"AlphaFold3 diffusion sampling steps reduction faster inference 2026 AI drug discovery","max_results":6},
  {"query":"MSA reuse fragment library precomputation protein structure prediction speedup","max_results":6}]'

python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"AI-designed CDK12/13 inhibitors resistant cancers Insilico clinical trial","max_results":6,"freshness":"year"},
  {"query":"Isomorphic Labs 2026 drug discovery milestone clinical trial AI designed","max_results":6,"freshness":"year"},
  {"query":"Recursion Exscientia 2026 pipeline results AI drug discovery physics platform","max_results":6,"freshness":"year"},
  {"query":"Qubit Pharmaceuticals 2026 machine learning potential free energy perturbation speedup","max_results":6,"freshness":"year"}]'

python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"HelixFold3 Protenix open source fast protein structure prediction diffusion speedup minutes","max_results":6,"freshness":"year"},
  {"query":"LiteMol diffusion molecular generation faster sampling 20x Microsoft","max_results":6},
  {"query":"machine learning force field free energy perturbation pharmaceutical 2026 accuracy speedup production use","max_results":8,"freshness":"year"},
  {"query":"AI-discovered drug phase 3 2026 oncology clinical success","max_results":8,"freshness":"year"}]'

python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"Relay Therapeutics zovegalisib RLY-2608 motion-based drug design molecular dynamics platform allosteric","max_results":6,"freshness":"year"},
  {"query":"Boltz-2 free energy prediction FEP BoltzGen binder design 2026 milestone","max_results":6,"freshness":"year"},
  {"query":"Schrodinger machine learning force field 2026 production use pharma free energy calculations speedup","max_results":6,"freshness":"year"},
  {"query":"MSA-free protein language model ESM3 evolutionary design oncology binder 2026","max_results":6,"freshness":"year"}]'

python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"BoltzGen binder design sampling steps diffusion number of samples inference cost compute","max_results":6,"freshness":"year"},
  {"query":"machine-learning force-field scoring rivals free-energy calculation FEP accuracy 2026","max_results":6,"freshness":"year"},
  {"query":"AACR 2026 AI-driven drug discovery oncology virtual screening generative chemistry breakthroughs","max_results":8,"freshness":"year"},
  {"query":"ColabFold MSA server cache reuse protein folding 2026 speedup AlphaFold3 no MSA","max_results":6,"freshness":"year"}]'

python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"AlphaFold 3 does not use MSA templates single sequence input diffusion","max_results":6},
  {"query":"MSA server ColabFold reuse cached MSA cost structure prediction pipeline 2026","max_results":6,"freshness":"year"},
  {"query":"fragment library de novo protein design 2026 RFdiffusion RoseTTAFold all-atom compute efficiency","max_results":6,"freshness":"year"},
  {"query":"ESMFold2 binder design cancer immunology targets preprint 2026 compute days","max_results":6,"freshness":"year"}]'

python3 scripts/anysearch_cli.py batch_search --queries '[{"query":"machine learning potential NequIP protein ligand free energy 2026 order of magnitude faster simulation pharmaceutical","max_results":6,"freshness":"year"},
  {"query":"Relay Therapeutics compute platform 2026 simulations daily motion based drug design throughput","max_results":6,"freshness":"year"},
  {"query":"AI ML potential molecular dynamics cancer drug discovery 2026 allosteric site conformational ensemble compute","max_results":6,"freshness":"year"}]'

# 全文抽取
python3 scripts/anysearch_cli.py extract "https://blog.qubit-pharmaceuticals.com/blog/going-15-30-faster-in-relative-binding-free-energy-calculations"
python3 scripts/anysearch_cli.py extract "https://www.isomorphiclabs.com/articles/building-a-new-path-to-make-medicines-with-ai"
python3 scripts/anysearch_cli.py extract "https://megaoneai.com/blog/ai-drug-discovery-trials-2026-first-results/"
python3 scripts/anysearch_cli.py extract "https://intuitionlabs.ai/articles/ai-ultra-large-virtual-screening-brd4"
python3 scripts/anysearch_cli.py extract "https://www.geneonline.com/insilico-medicine-showcases-four-ai-driven-oncology-drug-discovery-abstracts-at-aacr-2026/"
python3 scripts/anysearch_cli.py extract "https://biohub.org/news/world-model-of-protein-biology/"

注：pmc.ncbi.nlm.nih.gov 对 extract 返回反爬页面（浏览器校验），故 PMC 链接仅作指针列出，正文内容改由 bioRxiv / 官方新闻页 / 机构页交叉验证。